AI单点应用已失效？KPMG揭秘智能体18%利润密码

1.引言

AI已进入主流

许多公司以POC实验起步，随后在各职能领域规模化应用成功用例。如今，AI已成为现代企业的基础，其战略重要性广受认可：86%的高管认为，拥抱AI的企业将在其行业中获得竞争优势。

AI早期应用的证据表明，这一观点已不再只是理论。我们的研究显示，71%的受访者报告了可衡量的效率提升，43%将收入增长直接归因于AI举措。对于成功规模化的企业，回报显而易见：58%已实现中等（>10%）至极高的ROI。

尽管早期成果显著，但AI的大部分价值仍通过点状解决方案和功能部署实现——虽然AI已优化流程，却尚未从根本上改变企业的运作方式。

据您所知，贵组织的AI项目截至目前的预计投资回报率（ROI）是多少？银行业 (n=129)，保险业 (n=138)，零售业 (n=120)，科技业 (n=128)，制造业 (n=114)，能源业 (n=124)，生命科学行业 (n=133)。

Source: 打造智能企业：超越单点AI用例，迈向智能体工作流，普华永道国际，2025

各行业在AI成熟度方面处于不同阶段

数据证实，AI已在各行业成为主流，但在成熟度和投资动态方面存在重要差异。

“我们对[AI]既充满期待又保持高度谨慎。我们不希望员工或监管机构在没有数据验证机制的情况下依赖工具提供的输入。Gen AI的每个输出环节都需人工介入以确保准确性。“

——Chief Risk Officer，能源公司 — US

总体而言，我们的分析表明，领导力是成熟度的最大驱动因素。清晰的愿景、战略协同、注重运营敏捷性和伦理，共同推动AI成熟度和ROI的提升。使用AI的时间长短与领导力及组织成熟度之间存在相关性。

科技行业作为自身创新的创造者和使用者，处于独特地位。长期以来，资源和精力一直集中于推动面向客户的用例、加速创新周期、提升产品能力以及促进外部采用。然而，这种做法往往以牺牲内部运营、工作流程和工作方式的转型为代价。另一方面，生命科学企业已使用AI多年，成熟度很高。AI能力已深度融入药物研发、影像和精准医学领域。在该领域，AI是核心战略赋能者，而非实验性技术。

金融服务子行业的发展速度各不相同。例如，保险企业在AI实施方面尤为谨慎，担忧监管影响且受限于高度隔离的部门和遗留系统；但目前正提高投资水平，重点投入理赔响应与管理等领域。而在银行业，企业正通过AI实现成本节约，主要集中在欺诈检测、客户服务和个性化营销领域，但尚未实现收入增长。

医疗和制造企业也表示，在AI应用方面已有较长时间的历史，特别是在临床决策支持、诊断、预测性维护和供应链优化等专业领域。然而，这些行业的投资水平波动较大，往往受制于遗留基础设施和监管复杂性。

零售业呈现出对比鲜明的态势：虽然许多零售商是AI的较新采用者，但投资增长强劲，源于在高度竞争的市场中加速个性化、优化商品陈列和提升数字客户体验的需求。

贵组织使用人工智能（AI）多久了？据您所知，贵组织全球科技预算中有多少百分比用于人工智能相关举措（例如客户服务自动化、预测分析、AI驱动的产品开发等）？银行（n=183）、保险（n=183）、零售（n=163）、科技（n=183）、医疗（n=183）、制造（n=163）、能源（n=163）、生命科学（n=183）

Source: 打造智能企业：超越单点AI用例，迈向智能体工作流，普华永道国际，2025

适应颠覆性世界

研究表明，企业正在投资于新能力，但其运营模式尚未设计以支持这些能力。若不进行结构性变革，AI的潜在价值将被困在职能孤岛和脱节的举措中。

商界正处在一个关键转折点。企业当前面临多重压力，包括地缘政治动荡、持续的经济不确定性，以及AI驱动科技军备竞赛不断升级。这些因素正在引发一场战略危机，亟需根本性变革。

传统职能型运营模式已支撑企业组织300余年，如今却成为结构性制约。该模式专为部门孤岛环境中的效率与控制而设计，却日益难以适应当今商业挑战的速度、复杂性与互联性。组织应超越渐进式变革，迅速重构运营模式，以迎接结构性变革的新时代。

这场转型的核心在于将焦点从内部职能转向企业范围内的价值创造。企业需以价值流为导向，即跨职能、端到端的流程，为客户和利益相关者交付成果。这些价值流是嵌入AI及其他变革性技术的关键平台。

然而，这一转型并不简单。企业需要应对一系列根深蒂固的系统性挑战，包括数据碎片化、遗留系统间互操作性不足以及在采用AI赋能技术方面存在深层次的能力缺口。克服这些障碍不仅需要技术投入，还需对企业架构、技能、治理和工作方式进行根本性重构。

传统职能型运营模式支撑了企业组织结构300余年，如今却已成为结构性约束。

敏捷数字基础：AI成功的先决条件

 66%的组织将数据列为最严峻的挑战，问题包括数据质量不佳、访问受限、存储碎片化和集成难题。但这不仅是技术问题，而是源于组织结构。

在大多数组织中，数据所有权和治理仍处于孤岛状态，反映的是遗留的组织结构，而非端到端的价值交付。仅17%的企业部署了完全自动化的数据编织，这是支持大规模AI所需的智能统一基础设施。此外，尽管84%的企业认识到数据安全和信任框架的重要性，但仅有29%的企业提供了全面的数据安全培训，暴露出战略意图与运营准备之间的显著差距。

在许多方面，智能体AI既是企业数据新需求的来源，也是解决这些需求的催化剂。这些自主智能体在企业范围内持续运行，从多个来源摄入数据，评估数据质量，解决不一致性，执行治理规则，并动态将可信数据路由到所需位置。

价值流的概念在此变得至关重要。与传统职能结构不同，价值流横跨整个组织，围绕成果整合人员、流程、数据和技术，这是成功部署自主智能体的必要前提。

17%的企业已实施完全自动化的Data Fabric，即支撑规模化AI所需的智能、统一的基础设施。

智能业务功能需要新的跨职能运营模式

最值得注意的是，尽管61%的企业正在试点或部署智能体AI，但仅有38%认为其运营模式能够实现一致的工作流程整合。

仅37%的受访者表示跨职能协作得到有效支持，这是在企业范围内扩展智能体工作流的关键能力。更令人震惊的是，不到四分之一的企业（24%）设立了专门的AI卓越中心，以全企业一致的方式推动AI应用。

这些差距凸显了众多企业在从零散的AI项目向全面协调的智能体运营模式转型过程中面临的结构性和组织性障碍。

“我认为新旧设施的兼容性是企业智能化转型中的常见挑战。传统设备使用过时的通信协议，而新型智能设备使用现代IoT（物联网）协议。这使得它们之间的通信极其困难。此外，传统设备通常无法连接高速网络，因为AI应用需要高速连接。”

——中国大型制造企业CIO

37%的受访者表示跨职能协作得到有效支持，这是在企业范围内扩展智能体工作流的关键能力。

您如何描述贵公司当前的组织结构和运营模式？

请描述贵公司当前管理及实施人工智能（AI）计划的结构？银行业（n=183）、保险业（n=183）、零售业（n=163）、科技行业（n=183）、医疗行业（n=183）、制造业（n=163）、能源行业（n=163）、生命科学行业（n=183）

Source: 打造智能企业：超越单点AI用例，迈向智能体工作流，普华永道国际，2025

以韧性企业级战略为未来做好准备

未来五年，KPMG预计数字化转型将发生深刻变革，受智能经济崛起的推动1。企业可通过AI、Gen AI及新技术转型为“智能企业”，重塑运营模式和商业模式。

公司将成为生态系统协调者，利用AI构建智能、自我优化的网络，无缝连接供应商、客户、物流提供商和行业合作伙伴。这些AI驱动的生态系统能够重新定义组织的运营方式，从线性、孤岛式的生产模式转向敏捷、预测性和协作的网络，以最大化效率、可持续性和创新。

这要求组织制定一种具有韧性的企业级战略，该战略远超传统数字路线图或孤立的转型计划。为了在智能经济中竞争，企业应围绕适应性价值流、AI赋能的决策和跨越内部职能与外部合作伙伴的动态协作模型进行重构。

“我们需要建立流程来提升数据质量，因为数据量庞大。数据可能是文档、图像、视频，也可能是基础数据。如果数据质量不佳，由于流程不统一或多样性过高，AI实施将非常复杂，实施范围将受限。我们相信，自主智能体将对此产生实质性影响。”

——法国医疗保健首席信息官

成为智能企业

智能企业并非仅由AI的存在定义，而是由其跨互联的价值流编排自主智能体从而实现自适应、自优化工作流的能力所定义。

实现这一水平的企业智能需要转向动态、响应迅速的生态系统，其中智能体与人类团队无缝协作，持续创造价值。我们观察到，企业经历AI价值创造的三个阶段。

• 赋能 workforce，构建AI基础：建立数据整合、治理和技能，以支持负责任的AI应用。

• AI全面融入企业：将AI嵌入企业各环节，整合至工作流程、产品、服务、价值流、机器人和可穿戴设备，创造更大价值。

• 演进中的运营模式与生态系统：利用AI和前沿技术解决全行业重大挑战

智能企业蓝图

本蓝图概述了AI驱动、以客户为中心的组织的关键高级能力。智能企业通过运用先进技术、个性化体验、数据驱动的洞察和自动化运营，提升效率、创新能力和韧性。通过在价值流、能力中心和流程中嵌入智能，确保无缝的客户互动、稳健的风险管理、智能产品制造以及面向未来的适应性，从而在智能经济中蓬勃发展。

AI发展各阶段

聚焦于Enable、Embed和Evolve三个阶段的成熟度对持续创造价值至关重要。需要同时提升基础层、功能层和企业层关键能力的成熟度。

• 在企业层面，AI成熟度的提升涉及跨职能统筹AI，以实现企业级创新与战略协同。若未能均衡关注所有三个层面，企业可能错失转型机会。

• 在功能层，AI 应嵌入关键价值流，优化特定流程并创造更优成果，例如更具吸引力的产品和服务以及更吸引人的端到端员工与客户体验。

• 在基础层，组织应通过技术现代化构建新的AI优先技术栈。基础设施、数据、模型和应用均可针对AI交付进行优化。

所涉价值

为指导客户的人工智能战略和投资，KPMG美国分析了大量数据以量化Gen AI的机遇。该分析计算了在企业所有潜在应用场景中全面部署和采用Gen AI的潜在价值。

超过1700万家企业接受全球评估。

通过对7000家共雇佣7200万员工的公司进行深入分析，并对500家客户进行压力测试，结果显示仅劳动生产率一项即可带来4%-18%的EBITDA*提升。我们的计算和方法论显示图表右侧智能产业的潜在价值机会。

*EBITDA = 息税折旧摊销前利润

AI在企业中的价值实现路径存在差异，某些领域的创新更容易或更值得追求，而其他领域则不然。例如，同一企业的某些领域专注于基础效率（Enable），其他职能或价值流可能正在规模化应用AI以促进增长（Embed），而少数领域甚至正在探索生态系统内的变革性机会（Evolve）。

领导者下一步该做什么

1.将AI战略锚定在价值上

• 制定一个与核心业务目标及驱动价值的端到端工作流程相一致的连贯的AI战略。与其机会主义地部署AI，不如识别出AI能带来可衡量的运营和客户影响的价值流——从供应链优化、反欺诈到超个性化和动态定价。这需要一个清晰的蓝图，说明AI举措如何在企业范围内连接、规模化和演进。

2.将信任与治理融入AI运营模式

• 随着AI日益自主和普及，将信任嵌入设计。建立涵盖可解释性、问责制和伦理监督的稳健治理框架，其中包括AI安全、数据安全和决策透明度——这对在有限人为干预下运行的智能体系统尤为重要。信任也源于主动参与，及早让跨职能利益相关方参与，以应对AI在角色、数据使用和控制方面的影响所带来的关切。

3.构建可持续的数据与技术架构

• 数据仍是AI成功的主要障碍。只有少数企业拥有AI（尤其是智能体AI）所需的自动化、可访问且互操作的数据基础设施。要推动发展，需投资数据网格、容器化AI库、API驱动的微服务和智能边缘能力，实现架构现代化，从而在系统、功能和生态层面实现实时智能，并确保与遗留系统的互操作性及面向未来的可扩展性。

4.构建促进人机协作的工作文化

• AI不应仅被视为工具，而应作为能够增强人类能力的协作伙伴。重新思考流程、角色和工作流程，明确AI与人类如何在跨业务职能中协同创造价值。这意味着组建跨职能团队，提升AI素养，并设计新的决策模型，使智能体系统与员工能够以清晰且权责明确的方式互动。